קנבס המודל העסקי בעידן ה-AI: מזיזים ריבוע אחד, ושמונה זזים איתו

יצא לי לדבר לפני כמה ימים עם אבא של ילדה מהגן של הבת שלי. הוא מפתח בכיר בחברת SaaS ותיקה, וכמו כל שיחה בימים האלה, גם השיחה הזאת הגיעה מהר מאוד לפיטורים. אצלם פיטרו 7% מהחברה. והקטע הכי קשה לו עכשיו, כמנהל, הוא להצדיק תקנים חדשים. פשוט צריך פחות.

לדבריו, המודלים נהיו כל כך חזקים שזה כבר לא רק ג׳וניורים. גם חלק גדול מהעבודה של הסניורים נעלם. ומה כן חסר לו, ובטירוף? אנשים שמבינים את העסק. הוא סיפר שאונבורדינג של עובדים חדשים תמיד היה סיוט, והיום הוא מצפה מאנשי פיתוח ומוצר להתחבר לעסק מהר.

רק שיש פה בעיה. איך אפשר לצפות ממישהו להבין את העסק, אם אף אחד מעולם לא לימד אותו איך? בדרך כלל מבינים בערך מי הלקוח ומה המוצר עושה. את השאר לומדים בבלאגן, או ממסמכים ארוכים שאף אחד לא באמת קורא.

יש לזה כלי שמלווה אותי כבר עשור: קנבס המודל העסקי. הוא מפרק כל עסק לתשעה ריבועים, אבל הכוח שלו לא בריבועים. הוא בסיפור שביניהם. בפוסט הזה ניקח חברת תוכנה אחת, נזיז אצלה ריבוע אחד, ונראה איך שמונת האחרים זזים איתו.

רגע, AI באמת מחליף סניורים?

ככה זה נראה מהכיסא שלו. הנתונים, בינתיים, מספרים סיפור קצת אחר.

מחקר של סטנפורד, שעודכן באוגוסט 2026 ונשען על נתוני שכר של מיליוני עובדים בארה״ב, מצא ירידה יחסית של 19% בתעסוקה של צעירים בני 22 עד 25 במקצועות החשופים ל-AI, בהשוואה לצעירים בני גילם במקצועות פחות חשופים. במילים פשוטות: חברות מגייסות פחות צעירים לעבודות שה-AI כבר יודע לעשות. אצל עובדים מנוסים אין פער דומה. וזה קורה בעיקר בגלל פחות גיוסים, לא בגלל פיטורים.

כלומר, נכון להיום, ג׳וניורים נפגעים ראשונים. הסניורים, לפחות בנתונים, עוד לא.

אבל בדבר החשוב הוא צודק, ואני מסמן את זה כדעה שלי: כשהקוד נהיה זול, מה שנשאר נדיר הוא לדעת מה לבנות, בשביל מי, ואיך זה יכניס כסף. וזה נכון לסניור בדיוק כמו לג׳וניור.

מה זה בכלל קנבס המודל העסקי?

עמוד אחד, תשעה ריבועים. כל ריבוע עונה על שאלה אחת על אופן הפעולה של העסק. באנגלית קוראים לזה Business Model Canvas.

פלחי לקוחות: בשביל מי אנחנו יוצרים ערך?

הצעת ערך: מה הם מקבלים מאיתנו שהם לא מקבלים במקום אחר?

ערוצי הפצה: איך הם שומעים עלינו, קונים ומקבלים את המוצר?

קשרי לקוחות: איך שומרים איתם על קשר, ומי עונה כשמשהו נתקע?

מקורות הכנסה: על מה הם משלמים, ואיך?

משאבי ליבה: מה חייב להיות לנו כדי שזה יעבוד?

פעילויות ליבה: מה אנחנו חייבים לעשות טוב?

שותפי מפתח: על מי אנחנו נשענים?

מבנה עלויות: כמה כל זה עולה?

צד אחד של הקנבס הוא הסיפור של הלקוח: יש פלח לקוחות עם בעיה, ויש לנו הצעה שפותרת אותה. ההצעה מגיעה אליהם דרך ערוץ מסוים, הקשר נשמר בדרך מסוימת, והם משלמים עליה בצורה מסוימת.

הצד השני הוא מה שקורה מאחורי הקלעים: מה צריך שיהיה לנו, מה צריך לעשות, עם מי, ובכמה. ההפרש בין ההכנסות לעלויות אומר אם הסיפור מחזיק.

אני משתמש בו גם בעסק שלי. הגדרתי לעצמי סוכן אסטרטגיה, שתפקידו לעבור על העסק ריבוע אחרי ריבוע, פעם בחודש. בקריאה הראשונה שלו כל ריבוע קיבל תווית: בריא, במעקב או בסיכון. ולצד רובם נרשמה בדיקה שיכולה להזיז את התווית. חלק מהריבועים קיבלו ״בסיכון״. לא נעים, אבל עכשיו אני יודע איפה לבדוק.

ולדעתי זה גם האונבורדינג הכי מהיר שיש. כשממלאים את הקנבס בשבוע הראשון בעבודה חדשה, לא מחכים שיסבירו. מגיעים לפגישות עם שאלות טובות.

מזיזים ריבוע אחד, ושמונה זזים איתו

ניקח חברת SaaS שמוכרת מערכת תמיכה לצוותי שירות, וגובה לפי מספר הנציגים. המודל שלה עבד שנים: כל נציג הוא עוד מנוי. ואז היא מוסיפה למוצר סוכן AI, שעונה לבד על חלק מהפניות שמגיעות לצוותי השירות.

נראה מה זה עושה, ריבוע אחרי ריבוע.

קשרי לקוחות: כאן זה מתחיל

הסוכן עונה על השאלות הפשוטות, והנציגים מטפלים במה שנשאר. תמיכה היא אחד המקומות הראשונים שבהם חברות מכניסות סוכנים. והיא גם המקום שבו כבר מדברים על חזרה אחורה.

בסקר של גרטנר בקרב 321 מנהלי שירות, מאוקטובר 2025, רק 20% צמצמו את הצוות בגלל AI. וגרטנר חוזה שחצי מאלה שצמצמו יגייסו בחזרה תפקידים דומים עד 2027. זו תחזית, לא מדידה.

אבל גם בלי לפטר אף אחד, צוות שירות שמקבל פחות פניות צריך פחות נציגים חדשים. וזה מזיז את הריבוע הבא.

מקורות הכנסה: פחות נציגים, פחות מנויים

אם הלקוח משלם לפי נציג, וצריך פחות נציגים, ההכנסה מתכווצת בדיוק כשהמוצר משתפר. החברה נותנת יותר ומקבלת פחות.

לכן חברות בתחום מתחילות לגבות אחרת. נכון לאוקטובר 2026, אחת מחברות התוכנה המובילות בתחום התמיכה גובה על הסוכן שלה פחות מדולר לכל פנייה שנפתרה, בלי חיוב לפי משתמשים. ופלטפורמה גדולה של כלי קוד העבירה ביוני 2026 את החיוב על השימוש ב-AI לתמחור לפי צריכה.

ויש גם חברות שדווקא מעלות את המחיר למשתמש, בזכות יכולות AI. התמונה היא תמהיל, לא סוף המנוי.

השבוע: מתמחרים על הנייר דבר אחד שמוכרים, לפי תוצאה, ומשווים למחיר של היום.

ואם משלמים על פנייה שנפתרה, צריך לשאול מה בעצם קונים.

הצעת ערך: מהמסך אל התוצאה

פעם הלקוח קנה מערכת: מסך מסודר שבו נציגים עונים מהר. עכשיו הוא קונה פניות שנסגרו. השאלה כבר לא ״כמה נוח לעבוד במערכת״, אלא ״כמה פניות נסגרו בלי שאף אחד נגע בהן, וכמה מהן נסגרו נכון״.

משקיע ויזם מעולם ה-SaaS טוען שבעולם כזה, תוכנה שרק בני אדם פותחים שווה פחות. זו דעה של אדם אחד. אבל בדוגמה שלנו קל לראות את ההיגיון: אם הסוכן סוגר את הפנייה, אף אחד לא פותח את המסך.

וכשמשתנה מה שקונים, משתנה גם מי משתמש.

פלחי לקוחות: מי בכלל המשתמש

עד עכשיו המשתמשים היו הנציגים. עכשיו סוכן עושה חלק מהעבודה במערכת. אותו משקיע תיאר איך במערכת ניהול הלקוחות של החברה שלו ירדו מיותר מעשרה משתמשים אנושיים לשניים, ועוד חיבור אחד לסוכנים. והסוכנים משתמשים במערכת הרבה יותר ממה שהאנשים השתמשו בה.

זה סיפור של חברה אחת, לא מגמה. אבל אם זה קורה גם אצל הלקוחות שלנו, המשתמש הכי פעיל במוצר כבר לא בן אדם.

השבוע: בודקים אם סוכן בכלל יכול להשתמש במוצר, דרך API ולא רק דרך המסך.

ערוצי הפצה: איך מוצאים אותנו

גם הדרך שבה אנשים מחפשים באינטרנט משתנה. מרכז המחקר Pew עקב ב-2025 אחרי 900 מבוגרים בארה״ב ואחרי כמעט 69 אלף חיפושים שהם ביצעו. כשמנוע החיפוש הציג סיכום AI, לחצו על קישור ב-8% מהביקורים, לעומת 15% בלי סיכום.

כלומר, לא מספיק להופיע בתוצאות. צריך שגם מנוע התשובות יזכיר אותנו.

השבוע: שואלים מנוע תשובות על הקטגוריה של המוצר, ורושמים מי מוזכר. ואם זה לא אנחנו, מי כן.

עד כאן הצד של הלקוח. עכשיו מאחורי הקלעים.

פעילויות ליבה: לבנות, ואז להריץ כל יום

את הסוכן צריך לבנות, ואחר כך להריץ כל יום. לכאורה, לבנות נהיה זול מאוד. לפי תוצאות ראשונות שפרסם מכון המחקר METR באפריל 2026, סוכנים כבר מצליחים לבצע חלק ממשימות קוד שלוקחות שבועות. אבל ניסוי של אותו מכון מ-2025 מצא שמפתחים מנוסים עבדו עם כלי AI לאט יותר ב-19%.

אז אני לא אגיד שהבנייה כמעט חינם. אני כן אגיד שככל שהבנייה נעשית מהירה יותר, השאלה ״מה בכלל לבנות״ שוקלת יותר. זה היגיון, לא מדידה.

השבוע: מודדים משימה אחת עם סוכן ובלי סוכן. ביושר, עם שעון.

וסוכן שעונה ללקוחות כל יום צריך לדעת את התשובות. מאיפה?

משאבי ליבה: מה חייב להיות לנו

כדי שהסוכן יענה נכון, החברה צריכה כמה דברים משלה: שנים של פניות ותשובות, מידע מסודר על המוצר, ואנשים שיודעים לזהות מתי הסוכן טועה.

הרבה אומרים שהנתונים האלה הם היתרון שאי אפשר להעתיק. יכול להיות, אבל לא מצאתי לזה מדידה רצינית, רק דעות.

ויש משאב אחד שהוא בכלל לא של החברה.

שותפי מפתח: מי מחזיק את המנוע

הסוכן רץ על מודל של מישהו אחר. ספק המודל הוא שותף, ובאותה נשימה גם מתחרה פוטנציאלי: אין שום דבר שמונע ממנו לבנות סוכן תמיכה משלו. וכל שינוי במחיר שלו מגיע ישר לריבוע האחרון.

מבנה עלויות: כל תשובה עולה כסף

בתוכנה הקלאסית כל לקוח נוסף עלה כמעט אפס. כאן כל תשובה של הסוכן עולה כסף, כי היא דורשת עיבוד, כל פעם מחדש.

את זה אני מכיר מקרוב. במוצר שאני בונה, כל פעולה של AI עולה כסף אמיתי. וכשכל פעולה עולה כסף, מחיר קבוע לכל משתמש הופך להימור: לקוח פעיל במיוחד יכול לעלות יותר ממה שהוא משלם. מבנה העלויות מתחיל להכתיב את מקורות ההכנסה.

השבוע: מבררים כמה עולה פעולה אחת של לקוח.

מאחורי הקלעים, AI מוזיל את הבנייה ומוסיף עלות לכל שימוש. מי שרואה רק אחד מהם לא רואה את העסק.

והנה הסיפור נסגר. הסוכן שינה את הקשר עם הלקוח, ומשם השינוי עבר הלאה: אל ההכנסה, אל מה שקונים, אל מי שמשתמש, אל הדרך שבה מוצאים אותנו, אל מה שבונים ומריצים, אל מה שחייב להיות לנו, אל מי שנשענים עליו ואל מה שכל זה עולה. ריבוע אחד זז, ושמונה זזו איתו.

מי שיודע לספר את הסיפור הזה בשתי דקות מבין את העסק. וזו בדיוק היכולת שהמנהל מהגן מחפש.

מאיפה מתחילים מחר בבוקר?

מהחברה שבה עובדים היום. או מעסק משלנו, אם יש.

מדפיסים עמוד עם תשעה ריבועים, ולוקחים חצי שעה. ממלאים כל ריבוע במה שיודעים. בצבע אחר מסמנים את מה שרק מנחשים.

אחר כך מספרים את הסיפור בקול רם, בשתי דקות, למישהו מהצוות: מי הלקוח, מה הוא מקבל, איך זה מגיע אליו, על מה הוא משלם, ומה זה עולה לנו.

המקומות שבהם הסיפור נתקע הם בדיוק השאלות. לוקחים אותן למי שיודע: מכירות, תמיכה, כספים. ככה עושים לעצמנו אונבורדינג, בלי לחכות למסמך שאף אחד לא קורא.

ובסוף בוחרים ריבוע אחד, זה שבו הסיפור נתקע הכי הרבה, ובודקים השבוע רק אותו. ריבוע אחד בשבוע זה מספיק.

הקוד נהיה זול.

ההבנה של העסק עוד לא.

ותשעה ריבועים הם מקום טוב להתחיל בו.

שאלות נפוצות

מה זה קנבס המודל העסקי?

כלי שמפרק כל עסק לתשעה ריבועים על עמוד אחד: פלחי לקוחות, הצעת ערך, ערוצי הפצה, קשרי לקוחות, מקורות הכנסה, משאבי ליבה, פעילויות ליבה, שותפי מפתח ומבנה עלויות. באנגלית הוא נקרא Business Model Canvas. משתמשים בו כדי למצוא מודלים עסקיים חדשים, וגם כדי להבין עסק קיים.

האם AI מחליף מפתחים בכירים?

נכון לאוגוסט 2026, נתוני התעסוקה לא מראים את זה. לפי מחקר של סטנפורד, יש ירידה יחסית של 19% בתעסוקה של בני 22 עד 25 במקצועות החשופים ל-AI, בהשוואה לבני גילם במקצועות פחות חשופים, בעיקר בגלל פחות גיוסים. אצל עובדים מנוסים אין פער דומה.

גם הפיטורים מורכבים יותר ממה שנראה. לפי דוח הפיטורים של Challenger מאוגוסט 2026, AI הוזכר כסיבה בכרבע מהפיטורים שהוכרזו בארה״ב מתחילת השנה. אבל אותו דוח מציין שהזכרת AI בהודעה על פיטורים יכולה למצוא חן בעיני משקיעים. יש לזה אפילו כינוי: AI-washing.

ובינתיים הדרישות עולות: לפי הדוח של PwC מיוני 2026, משרות ג׳וניור במקצועות החשופים ל-AI מבקשות הרבה יותר כישורים, כאלה שפעם נדרשו רק מסניורים.

איך AI משנה את המודל העסקי של חברות תוכנה?

השינוי הבולט הוא בתמחור: יותר חברות עוברות ממחיר לפי משתמש לחיוב לפי שימוש או לפי תוצאה, ולרוב לתמהיל של כמה שיטות. במקביל, לכל פעולה של לקוח יש עכשיו עלות עיבוד, ולכן את ההכנסות והעלויות צריך לבדוק יחד. ובחלק מהמקרים, המשתמש הכי פעיל במוצר הוא כבר סוכן ולא בן אדם.

הקנבס מתאים גם לעסק קטן שהוא לא חברת תוכנה?

כן. מאפייה או משרד רואי חשבון ממלאים את אותם תשעה ריבועים, אבל התשובות שונות. וגם שם AI כבר משנה כמה מהם, למשל איך לקוחות מוצאים את העסק ואיך עונים להם.

מקורות

Stanford Digital Economy Lab, Canaries in the Coal Mine, עודכן ב-12 באוגוסט 2026: https://digitaleconomy.stanford.edu/publication/canaries-in-the-coal-mine-six-facts-about-the-recent-employment-effects-of-artificial-intelligence

Gartner, סקר מנהלי שירות ותחזית גיוס מחדש, פברואר 2026: https://www.gartner.com/en/newsroom/press-releases/2026-02-03-gartner-predicts-half-of-companies-that-cut-customer-service-staff-due-to-ai-will-rehire-by-2027

Pew Research Center, יולי 2025: https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/

METR, דף המחקרים (MirrorCode, אפריל 2026): https://metr.org/research

METR, ניסוי עם מפתחים מנוסים, יולי 2025: https://metr.org/blog/2025-07-10-early-2025-ai-experienced-os-dev-study

Challenger, Gray and Christmas, דוח פיטורים, אוגוסט 2026: https://www.challengergray.com/blog/challenger-report-layoffs-fall-hiring-picks-up-ai-leads-for-fifth-straight-month

PwC, AI Jobs Barometer, יוני 2026: https://www.pwc.com/gx/en/services/ai/ai-jobs-barometer.html